lecture-to-hw
将课程课件、作业文件(PDF、DOCX、Markdown、HTML、图片等)、课堂代码和历史答案格式转成简洁的大学生风格 Markdown 作业答案,并可由主 agent 按模块调度子代理解题与 review。Use when asked to complete course homework, read homework files in varied formats, match homework to lectures/slides/code, use methods taught in class, imitate previous hw*_solution Markdown style, create solution folders, decompose assignments across subagents, or generate necessary scripts, figures, or data files for homework submissions.
Safety scan
A static text scan, not a guarantee. Select the badge to see what was scanned and every finding.
Badge for your README
Markdown
[](/listings/vect-g-lecture-to-hw)HTML
<a href="/listings/vect-g-lecture-to-hw"><img src="/api/listings/vect-g-lecture-to-hw/badge.svg" alt="findsafeskills safety rating" /></a>Install
Install instructions from the README
As written by the repo's author. findsafeskills has not verified these steps.
把仓库放到 Codex skills 目录下:
mkdir -p ~/.codex/skills git clone https://github.com/vect-G/lecture-to-hw.git ~/.codex/skills/lecture-to-hw
或者直接把整个 `lecture-to-hw` 文件夹复制到:
~/.codex/skills/lecture-to-hw
然后开启新的 Codex 会话,skill 会被自动发现!
What was scanned
The files the safety scan read, as written by the repository's author and shown as plain text. Lines with a finding are marked.
SKILL.md · Manifest · 85 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- ---
- name: lecture-to-hw
- description: 将课程课件、作业文件(PDF、DOCX、Markdown、HTML、图片等)、课堂代码和历史答案格式转成简洁的大学生风格 Markdown 作业答案,并可由主 agent 按模块调度子代理解题与 review。Use when asked to complete course homework, read homework files in varied formats, match homework to lectures/slides/code, use methods taught in class, imitate previous hw*_solution Markdown style, create solution folders, decompose assignments across subagents, or generate necessary scripts, figures, or data files for homework submissions.
- ---
- # Lecture to HW
- ## 工作流
- 1. 扫描当前课程目录。
- - 优先用 `rg --files`,必要时配合 `find`、`ls` 和定向 `rg`。
- - 找出作业文件、课件、课堂代码、notebook、HTML demo、数据、图片和历史 solution。
- - 作业题目可能是 PDF、DOCX、DOC、Markdown、HTML、notebook、纯文本、图片或压缩包中的文件。
- - 根据 hw 编号、课件编号、文件名关键词和目录结构推断对应关系,不假设命名一定规范。
- 2. 读取作业要求。
- - PDF 作业优先用 `pdftotext -layout` 提取。
- - DOCX/DOC 作业不要只信纯文本提取;优先读取正文结构,并尽量转换成 PDF 或渲染页面检查公式、表格、图片和版面。可用 LibreOffice、pandoc、系统预览/打印、或现有文档工具链,选择当前环境可用且不破坏原文件的方法。
- - Markdown、HTML、notebook 和纯文本可以直接读取;图片题目需要 OCR 或视觉识别,并保留不确定处。
- - 如果公式、图、表格或版面可能被误读,用 `pdftoppm` 渲染页面或做视觉检查。
- - 提取每道题的任务、给定数据、输出要求、方法限制、保留小数规则,以及是否需要代码或图片。
- - 如果题目识别不完整、公式/表格无法确认、多个文件可能都是作业要求,先向用户说明不确定点并请求确认,不要一气乱写。
- 3. 匹配课件和代码。
- - 用题目关键词搜索课件和代码,例如搜索、CSP、博弈、线性回归、逻辑回归、MLP、CNN、强化学习等。
- - 优先采用匹配课件里的术语、公式、算法、记号和解题粒度。
- - 如果课堂代码、HTML demo、实验报告、notebook 或数据能直接支持答案,优先复用。
- - 除非题目要求,不引入明显超出课程范围的高级方法。
- 4. 学习历史答案风格。
- - 读取最近或最相关的历史 Markdown,例如 `作业/hw*_solution/*.md`。
- - 只提取格式习惯,不照抄内容:标题、姓名/学号/班级行、标题层级、公式写法、表格风格、图片引用和答案长度。
- - 默认写成认真大学生提交作业的口吻:简洁、只踩采分点、有必要中间步骤、不写废话。
- 5. 决定单 agent 还是并行模式。
- - 先由主 agent 充当 controller,负责读题、拆题、调度、验收和最终组装。
- - 如果题目能按独立小问、实验模块、课件章节或数据流程清楚解耦,并且各部分没有强依赖,就可以开启并行模式。
- - 默认最多同时 4 个子代理;如果用户明确需要更多,且任务仍然能安全拆分,可少量增加,但不要为了并行而并行。
- - 如果题面不清楚、格式识别不稳、题目很短、或多个小问彼此强耦合,就用单 agent 模式。
- - 子代理只做边界清楚的任务,例如某道题的草稿、某个实验复现、某份课件对应关系确认、或独立 critic。
- - 不要让多个子代理同时改同一个最终 Markdown;主 agent 统一收口、去重和定稿。
- 6. 解题并验证。
- - 符号推导题用手算推导。
- - 数值、实验、绘图、模型、搜索或仿真题,在 solution 文件夹里写最小可复现代码。
- - 优先使用用户指定环境,例如 `conda run -n PR python ...`;未指定时使用当前可用 Python。
- - 代码保持短小,只服务于作业结果。运行后把必要结果写入 Markdown。
- 7. 生成输出。
- - 每次作业创建独立目录,例如 `作业/hw5_solution/`。
- - 至少输出一个 Markdown 答案文件,例如 `hw5 姓名.md`,文件名尽量匹配历史习惯。
- - 只添加必要附件:脚本、图片、数据或题目要求的文件。
- - 不生成无关 README、日志、空模板或没用上的脚手架。
- 8. 提交前 review。
- - 重新阅读作业、对应课件、生成的 Markdown 和支持代码。
- - 检查每个小问是否回答完整。
- - 检查公式、正负号、维度、索引、小数、表格、图片、文件名和题号。
- - 检查代码能运行,Markdown 中的数值来自验证结果。
- - 删掉明显 AI 味:长背景、空泛总结、过多小标题、夸张解释、无依据结论。
- 9. 做组装后 review。
- - 先看主 agent 自己的把握:如果工程量大、题目复杂、或仍有不确定点,就再开一个老师/助教视角的 critic 子代理。
- - critic 先读作业和对应课件,再检查生成的 Markdown 与代码,重点看是否漏题、是否有逻辑/公式/数值错误、是否用了不符合课件的方法、是否有明显 AI 味。
- - 主 agent 根据 critic 意见修正后再交付。
- - 最终回复里给出可信度分级(高/中/低)和需要用户手动复核的地方。
- ## 答案风格
- - 使用 Markdown 和 LaTeX 公式。
- - 小标题短而少。
- - 优先用直接计算、紧凑表格和必要的最终结论。
- - 写必要中间步骤,但不过度解释常规定义。
- - 如果历史答案里有姓名、学号、班级,沿用对应格式。
- - 语气朴素、认真,像学生自己写的作业。
- - 避免“本文将”“综上所述”“作为 AI”、大段背景介绍、动机说明和装饰性总结。
- ## 最终回复
- 简短说明:
- - 生成了哪些文件、在哪里;
- - 跑了哪些验证或检查;
- - review 后修了什么;
- - 当前作业可信度:高/中/低,并说明原因;
- - 需要用户手动复核的地方,如果有。
README.md · README · 189 lines
View this file on GitHub (read at the repository's current version: the scan did not record which commit it read)
- <div align="center">
- # lecture-to-hw
- <p>
- <a href="LICENSE"><img src="https://img.shields.io/badge/License-MIT-yellow.svg" alt="License: MIT"></a>
- <img src="https://img.shields.io/badge/Codex-Skill-7C3AED" alt="Codex Skill">
- <img src="https://img.shields.io/badge/Multi--Agent-Workflow-2563EB" alt="Multi-Agent Workflow">
- <img src="https://img.shields.io/badge/README-%E4%B8%AD%E6%96%87-22C55E" alt="README 中文">
- </p>
- <p>
- <a href="README.md">中文</a> | <a href="README_EN.md">English</a>
- </p>
- <p><strong>从课程课件到可交付 Markdown 作业的一站式 Codex skill。</strong></p>
- </div>
- 大学生最大的悲哀,莫过于把时间浪费在某些水课的作业里。
- 你可能需要花时间整理材料,把问题发给大模型,review大模型给的答案,再去尝试理解某些晦涩的概念,并判断大模型的回答是否足够可信。忙完以上的一切,还要忙着去除人机味
- 日复一日,你重复完成上述的流程,收获的可能不是知识,而仅仅是prompt工程熟练度、无限的疲惫,以及“我怎么又把晚上浪费在这里了”的愧疚!
- 于是本人痛定思痛,把自己长期以来完成课程作业的工作流整理成了一个 skill:
- **lecture-to-hw**
- `lecture-to-hw` 的目标很简单:**把全流程交给 agent,从课件到可交付 Markdown 文本,一站式、端到端、尽量高鲁棒地完成课程作业。**
- 从此,上面那套无趣、无味、无聊的循环,可以被压缩成:
- ```text
- lecture-to-hw,给我干活! --> 喝杯咖啡 --> 验收并提交
- ```
- ## 它会做什么
- `lecture-to-hw` 会在当前课程目录里自动寻找:
- - 作业题面:PDF、DOCX、Markdown、HTML、图片、notebook 等;
- - 课程材料:课件、课堂 demo、实验代码、数据文件;
- - 历史答案:例如 `作业/hw*_solution/*.md`。
- 然后它会把这些东西串起来:
- ```text
- 读题 -> 找课件 -> 找课堂中讲授的方法 -> 拆解题目 -> 解题/跑代码 -> 组装 Markdown -> 助教agent执行review -> 交付
- ```
- 它不是单纯的 homework solver,而是一个懂你意思的作业流水线工厂!
- ## 为什么选择lecture-to-hw
- ### 1. 从课件到作业成品
- 普通大模型解题通常是直接读题开写。
- `lecture-to-hw` 会先找对应课件和课堂代码,尽量使用课上讲过的公式、术语、算法和记号。
- 能用课堂代码复现实验结果,就不凭空写;能从课件里找到方法,就不乱引入课程外的高级技巧。
- ### 2. 多格式题面
- 支持常见课程材料格式:
- - DOCX / DOC
- - Markdown / TXT
- - HTML
- - notebook
- - 图片题面
- - 压缩包里的作业文件
- 如果公式、表格、图片或版面识别不稳,它会先标出不确定点并请求确认,而不是一口气乱写下去。
- ### 3. 多 agent 并行加速
- 主 agent 负责当 controller:
- ```text
- 读题 -> 拆题 -> 调度 -> 验收 -> 组装
- ```
- 当作业能按题目、实验模块或课件章节清楚拆开时,默认最多同时开启 4 个子代理。子代理负责边界清楚的局部任务,例如:
- - 某一道题的解题草稿;
- - 某个实验或代码结果复现;
- - 某份课件与题目的对应关系确认;
- - 某个模块的独立验算。
- 当然,当题目很短、强耦合时,会退回单 agent 模式,不为了并行而并行
- ### 4. 助教 review agent
- 当解题的文本组装完成后,如果题目复杂、工程量大、或主 agent 自己把握不足,可以再开一个专门挑刺的**助教 Agent**
- 它会专门检查:
- - 是否漏题或漏采分点;
- - 公式、数值、逻辑有没有明显错误;
- - 是否用了不符合课件的方法;
- - 是否有太重的 AI 味;
- - 是否像一个正常大学生会交的答案。
- ### 5. 参考往期作业风格,降低人机味
- 众所周知,大学生的普遍习惯是,只踩得分点,有问必答,没问坚决不答,而Agent的习惯总是反复补一些解释性文字,希望能“稳稳地接住你”,却在无意中害苦了作者。
- 而**lecture-to-hw**是一个可以检测你作业风格的skill。他会读取你的历史作业、学习你的格式习惯,包括:
- - 标题和姓名/学号/班级行;
- - 小标题层级如何排布
- - 公式、表格、图片如何引用
- - 答案的详略
- ### 6. 交付时给可信度
- **lecture-to-hw**在完成整个解题流程后,最终回复会告诉你:
- - 生成了哪些文件;
- - 跑了哪些验证
- - review 后改了什么;
- - 当前作业可信度:高 / 中 / 低
- - 哪些地方建议你手动复核
- ## 安装
- 把仓库放到 Codex skills 目录下:
- ```bash
- mkdir -p ~/.codex/skills
- git clone https://github.com/vect-G/lecture-to-hw.git ~/.codex/skills/lecture-to-hw
- ```
- 或者直接把整个 `lecture-to-hw` 文件夹复制到:
- ```text
- ~/.codex/skills/lecture-to-hw
- ```
- 然后开启新的 Codex 会话,skill 会被自动发现!
- ## 快速开始
- 进入课程目录后,直接说:
- ```text
- 用 lecture-to-hw 帮我完成这次作业,输出 Markdown格式的文档
- ```
- 如果你想明确允许并行子代理:
- ```text
- 用 lecture-to-hw 完成这次作业,允许开并行子代理,最后开一个助教agent辅助review
- ```
- ## 推荐配置
- 作者亲测:
- ```text
- Codex + GPT-5.5 + reasoning high + lecture-to-hw + 允许并行子代理
- ```
- 在作业能拆分的情况下,这套配置能比较高效地完成“读材料、拆题、写答案、review、交付”的完整流程。
- 如果题面质量差、DOCX 公式复杂、或图片题目很多,建议先手动输出为pdf后再进入解题流程。
- ## 仓库内容
- ```text
- lecture-to-hw/
- ├── SKILL.md
- ├── README.md
- ├── README_EN.md
- └── agents/
- └── openai.yaml
- ```
- ## 负责任使用
- 最后,还请诸位在提交作业前,尽可能做一次简单的人工review,毕竟尽管skill承担绝大多数工作,但课程成绩仍属于诸位自己。
- 希望对你有帮助!
- ## License
- MIT License.
Ratings and comments
Sign in to rate this skill.
Sign inFree to use. If it’s helped, pass it on.